本发明涉及信息推送管理，尤其涉及一种基于ai的个性化内容推送方法及系统。
背景技术：
1、传统的个性化内容推送方法和系统主要基于用户的浏览历史、搜索历史、购买行为等行为数据进行挖掘和分析，通过这些行为数据，可以对用户的兴趣偏好进行建模，并基于这些模型为用户推荐内容，虽然基于用户偏好能提供个性化的内容，但也会造成一种被称为“信息茧房”的现象，当推荐系统过度强调个性化推荐时，会过分过滤与用户历史喜好不符的信息，使用户处在一个只有自己感兴趣的信息的封闭环境中，从而限制了用户接触和了解新鲜事物，降低了信息的多样性。
2、所以，亟需提供一种多维度多广度的基于ai的个性化内容推送方法及系统。
技术实现思路
1、本发明旨在提供一种基于ai的个性化内容推送方法及系统，为用户提供多元的推送内容，挖掘潜在的用户喜好。
2、一种基于ai的个性化内容推送方法，包括：
3、s1.获取当前时段hi内目标用户的推荐个性化词条集；推荐个性化词条集基于用户反馈获取；基于ai分析获取当前时段hi内的当前新鲜兴趣词条；设定将预设时段划分为i个时段hi，i=1，2，…，i；推荐个性化词条集中包括有强推荐个性化词条和弱推荐个性化词条；当前新鲜兴趣词条包括有目标用户搜索词条和与推荐个性化词条集不重合的低热度词条；将推荐个性化词条集和当前新鲜兴趣词条组合得到推送词条集；根据推送词条集及推送内容比率库进行内容推送，得到推送个性化内容集；推送内容比例库中包括有强推荐个性化词条、弱推荐个性化词条和当前新鲜兴趣词条对应的推送比例；推送个性化内容集中包含有k条推送内容；
4、s2.获取用户接收推送个性化内容集时的第一反馈动作；基于推送个性化内容集及其对应的第一反馈动作对推送内容比例库进行更新；根据第一反馈动作筛选推送个性化内容集，得到优选个性化内容集；获取用户接收优选个性化内容集时的第二反馈动作；第二反馈动作中包含有j个动作dj，动作dj对应等级vj，j=1，2，…，j；基于优选个性化内容集及其对应的第二反馈动作的等级vj和内容词条提取模型，得到待划分推荐个性化词条集和待划分推荐个性化词条集中每个词条对应的等级评分；基于待划分推荐个性化词条集及待划分推荐个性化词条集中每个词条对应的等级评分将待划分推荐个性化词条集划分为新的强推荐个性化词条和新的弱推荐个性化词条，将新的强推荐个性化词条和新的弱推荐个性化词条组合得到新的推荐个性化词条集。
5、作为本发明的一种优选技术方案，步骤s1中构建在时段hi内对应的推荐个性化词条集的具体步骤，包括：
6、t1.获取目标用户的初始兴趣词条；基于ai分析获取当前高热度兴趣词条，将初始兴趣词条和当前高热度兴趣词条组合，得到初始个性化词条；基于初始个性化词条进行内容推送，得到初始个性化内容集；初始个性化内容集中包含有若干条推送内容；
7、t2.获取预设时间t内用户在每个时段hi内接收初始个性化内容集时的第一反馈动作；根据第一反馈动作筛选初始个性化内容集，得到推荐个性化内容集ni；获取用户接收推荐个性化内容集ni时的第二反馈动作；基于推荐个性化内容集ni及对应的第二反馈动作的等级vj和内容词条提取模型，推荐个性化内容集ni和优选个性化内容集储存形式相同，得到待优化推荐个性化词条yi；将待优化推荐个性化词条yi按对应的等级评分进行划分，将待优化推荐个性化词条yi划分为强推荐个性化词条qyi和弱推荐个性化词条ryi；将强推荐个性化词条qyi和弱推荐个性化词条ryi组合得到在时段hi内对应的推荐个性化词条集。
8、作为本发明的一种优选技术方案，内容词条提取模型包括有数据预处理层，特征提取层，特征去重层，结果输出层；
9、数据预处理层用于对优选个性化内容集进行预处理，得到预处理个性化内容集；
10、特征提取层用于利用文本提取模型对预处理个性化内容集进行特征提取，得到待去重词条集；待去重词条集中的每个词条包含有对应的等级vj；
11、特征去重层用于对待去重词条集进行去重处理，得到待划分推荐个性化词条集；记录重复词条对应的等级vj，对待划分推荐个性化词条集中的每个词条对应的所有等级vj进行加和计算，得到每个词条对应的等级评分，即为待划分推荐个性化词条集中每个词条对应的等级评分；
12、结果输出层用于输出待划分推荐个性化词条集和待划分推荐个性化词条集中每个词条对应的等级评分。
13、作为本发明的一种优选技术方案，训练内容词条提取模型中特征提取层的具体步骤，包括：
14、获取若干条推送内容，对若干条推送内容进行词条标注，每条推送内容标注r个词条；将带有词条标注的若干条推送内容组合得到内容词条提取模型训练集；
15、将内容词条提取模型训练集输入至内容词条提取模型中对特征提取层进行训练，设置输出词条个数为r，得到初始特征提取层；基于内容词条提取模型训练集和初始特征提取层得到输出词条结果；计算输出词条结果和词条标注的相似度，得到模型评估结果；若模型评估结果在误差标准范围内，则得到训练好的初始特征提取层，即为内容词条提取模型中的特征提取层；否则，利用内容词条提取模型训练集继续进行模型训练。
16、作为本发明的一种优选技术方案，根据推送词条集及推送内容比率库进行内容推送，得到推送个性化内容集的具体步骤，包括：
17、l1.推送内容比率库中包含有强推荐个性化词条对应的第一推送比例u1、弱推荐个性化词条对应的第二推送比例u2和当前新鲜兴趣词条对应的第三推送比例u3；
18、l2.基于ai分析推送与强推荐个性化词条相关的u1*k条强推荐推送内容，与弱推荐个性化词条相关的u2*k条弱推荐推送内容和与当前新鲜兴趣词条相关的u3*k条新鲜推送内容；
19、l3.将强推荐推送内容、弱推荐推送内容和新鲜推送内容组合得到推送个性化内容集。
20、作为本发明的一种优选技术方案，基于推送个性化内容集及其对应的第一反馈动作对推送内容比例库进行更新的具体步骤，包括：
21、r1.记录目标用户对推送个性化内容集中弱推荐推送内容对应的第一反馈动作的弱推荐反馈结果和新鲜推送内容对应的第一反馈动作的新鲜反馈结果；
22、r2.若弱推荐反馈结果达到设定弱推荐阈值，则调整第二推送比例u2，得到更新第二推送比例u2；
23、r3.若新鲜反馈结果达到设定新鲜阈值，则调整第三推送比例u3，得到更新第三推送比例u3；
24、r4.基于更新第二推送比例u2和更新第三推送比例u3得到更新第一推送比例u1，将更新第一推送比例u1、更新第二推送比例u2和更新第三推送比例u3进行标准化处理，得到新的推送内容比例库。
25、作为本发明的一种优选技术方案，特征提取层中所用的文本提取模型为lda模型。
26、一种基于ai的个性化内容推送系统，包括：
27、个性化推送模块，用于获取当前时段hi内目标用户的推荐个性化词条集；推荐个性化词条集基于用户反馈获取；基于ai分析获取当前时段hi内的当前新鲜兴趣词条；设定将预设时段划分为i个时段hi，i=1，2，…，i；推荐个性化词条集中包括有强推荐个性化词条和弱推荐个性化词条；当前新鲜兴趣词条包括有目标用户搜索词条和与推荐个性化词条集不重合的低热度词条；将推荐个性化词条集和当前新鲜兴趣词条组合得到推送词条集；根据推送词条集及推送内容比率库进行内容推送，得到推送个性化内容集；推送内容比例库中包括有强推荐个性化词条、弱推荐个性化词条和当前新鲜兴趣词条对应的推送比例；推送个性化内容集中包含有k条推送内容；
28、个性化分析模块，用于部署内容词条提取模型，获取用户接收推送个性化内容集时的第一反馈动作；基于推送个性化内容集及其对应的第一反馈动作对推送内容比例库进行更新；根据第一反馈动作筛选推送个性化内容集，得到优选个性化内容集；获取用户接收优选个性化内容集时的第二反馈动作；第二反馈动作中包含有j个动作dj，动作dj对应等级vj，j=1，2，…，j；基于优选个性化内容集及其对应的第二反馈动作的等级vj和内容词条提取模型，得到待划分推荐个性化词条集和待划分推荐个性化词条集中每个词条对应的等级评分；基于待划分推荐个性化词条集及待划分推荐个性化词条集中每个词条对应的等级评分将待划分推荐个性化词条集划分为新的强推荐个性化词条和新的弱推荐个性化词条，将新的强推荐个性化词条和新的弱推荐个性化词条组合得到新的推荐个性化词条集；
29、初始化词条模块，用于获取目标用户的初始兴趣词条；基于ai分析获取当前高热度兴趣词条，将初始兴趣词条和当前高热度兴趣词条组合，得到初始个性化词条；基于初始个性化词条进行内容推送，得到初始个性化内容集；初始个性化内容集中包含有若干条推送内容；获取预设时间t内用户在每个时段hi内接收初始个性化内容集时的第一反馈动作；根据第一反馈动作筛选初始个性化内容集，得到推荐个性化内容集ni；获取用户接收推荐个性化内容集ni时的第二反馈动作；基于推荐个性化内容集ni及对应的第二反馈动作的等级vj和内容词条提取模型，推荐个性化内容集ni和优选个性化内容集储存形式相同，得到待优化推荐个性化词条yi；将待优化推荐个性化词条yi按对应的等级评分进行划分，将待优化推荐个性化词条yi划分为强推荐个性化词条qyi和弱推荐个性化词条ryi；将强推荐个性化词条qyi和弱推荐个性化词条ryi组合得到在时段hi内对应的推荐个性化词条集。
30、本发明具有以下优点：
31、1、本发明通过区分强推荐个性化词条和弱推荐个性化词条，并结合当前的新鲜兴趣词条，推送词条集的设计更有针对性，这有助于提高内容推荐的精确度，确保用户接收到更相关、更感兴趣的内容；通过引入新鲜兴趣词条并与个性化推荐词条相结合，能够有效地打破用户固有的信息获取模式，为用户提供更广阔的信息视野，从而一定程度上减少信息茧房效应；通过分析用户接收推送个性化内容集时的第一反馈和第二反馈动作，可以进一步优化内容推荐，从而提供更贴合用户需求的个性化体验；通过根据用户的反馈动作及其等级评分，能够持续地自我完善和调整推送内容比率库，使得推送策略更加精细化和个性化，进一步提高内容推送的效果。
32、2、本发明通过建立内容词条提取模型，能够高效地从优选个性化内容集中提炼出词条，数据预处理层确保了进入特征提取流程的数据质量，通过清洗和标准化数据，为下一步的特征提取打好基础；特征提取层使用先进的文本提取模型，从预处理个性化内容集中提取出有价值的词条和特征，从而能更准确地理解内容的实质和用户偏好；过对待去重词条集中的重复词条进行等级加和，可以强化重要词条的权重，以此来更好地反映用户的兴趣点；特征去重层通过去重处理，有效降低了信息的冗余度，确保每个词条在最终的推荐个性化词条集中的唯一性，这有助于避免用户对信息过载的感觉。
1.一种基于ai的个性化内容推送方法，其特征在于，包括：
2.根据权利要求1所述的一种基于ai的个性化内容推送方法，其特征在于，步骤s1中构建在时段hi内对应的推荐个性化词条集的具体步骤，包括：
3.根据权利要求1所述的一种基于ai的个性化内容推送方法，其特征在于，内容词条提取模型包括有数据预处理层，特征提取层，特征去重层，结果输出层；
4.根据权利要求3所述的一种基于ai的个性化内容推送方法，其特征在于，训练内容词条提取模型中特征提取层的具体步骤，包括：
5.根据权利要求4所述的一种基于ai的个性化内容推送方法，其特征在于，根据推送词条集及推送内容比率库进行内容推送，得到推送个性化内容集的具体步骤，包括：
6.根据权利要求5所述的一种基于ai的个性化内容推送方法，其特征在于，基于推送个性化内容集及其对应的第一反馈动作对推送内容比例库进行更新的具体步骤，包括：
7.根据权利要求3所述的一种基于ai的个性化内容推送方法，其特征在于，特征提取层中所用的文本提取模型为lda模型。
8.一种基于ai的个性化内容推送系统，其特征在于，所述基于ai的个性化内容推送系统应用上述权利要求1至权利要求7任一项所述的一种基于ai的个性化内容推送方法，包括：
